Python中的支援向量機SVM的使用（有例項）
轉載自https://www.cnblogs.com/luyaoblog/p/6775342.html。謝謝作者整理，若侵權告知即刪。
除了在Matlab中使用PRTools工具箱中的svm演算法，Python中一樣可以使用支援向量機做分類。因為Python中的sklearn庫也集成了SVM演算法，本文的執行環境是Pycharm。
一、匯入sklearn演算法包
Scikit-Learn庫已經實現了所有基本機器學習的演算法，具體使用詳見官方文件說明：http://scikit-learn.org/stable/auto_examples/index.html#support-vector-machines
skleran中集成了許多演算法，其匯入包的方式如下所示，
邏輯迴歸：from sklearn.linear_model import LogisticRegression
樸素貝葉斯：from sklearn.naive_bayes import GaussianNB
K-近鄰：from sklearn.neighbors import KNeighborsClassifier
決策樹：from sklearn.tree import DecisionTreeClassifier
支援向量機：from sklearn import svm
二、sklearn中svc的使用
（1）使用numpy中的loadtxt讀入資料檔案
loadtxt()的使用方法：
fname:檔案路徑。eg：C:/Dataset/iris.txt。
dtype：資料型別。eg：float、str等。
delimiter：分隔符。eg：‘，’。
converters：將資料列與轉換函式進行對映的字典。eg：{1:fun}，含義是將第2列對應轉換函式進行轉換。
usecols：選取資料的列。
以Iris蘭花資料
由於從UCI資料庫中下載的Iris原始資料集的樣子是這樣的，前四列為特徵列，第五列為類別列，分別有三種類別Iris-setosa， Iris-versicolor， Iris-virginica。
當使用numpy中的loadtxt函式匯入該資料集時，假設資料型別dtype為浮點型，但是很明顯第五列的資料型別並不是浮點型。
因此我們要額外做一個工作，即通過loadtxt()函式中的converters引數將第五列通過轉換函式對映成浮點型別的資料。
首先，我們要寫出一個轉換函式：
| 1 2 3 |
|
接下來讀入資料，converters={4: iris_type}中“4”指的是第5列：
| 1 2 |
|
讀入結果：
（2）將Iris分為訓練集與測試集
| 1 2 3 |
|
1. split(資料，分割位置，軸=1（水平分割） or 0（垂直分割）)。
2. x = x[:, :2]是為方便後期畫圖更直觀，故只取了前兩列特徵值向量訓練。
3. sklearn.model_selection.train_test_split隨機劃分訓練集與測試集。train_test_split(train_data,train_target,test_size=數字, random_state=0)
引數解釋：
train_data：所要劃分的樣本特徵集
train_target：所要劃分的樣本結果
test_size：樣本佔比，如果是整數的話就是樣本的數量
random_state：是隨機數的種子。
隨機數種子：其實就是該組隨機數的編號，在需要重複試驗的時候，保證得到一組一樣的隨機數。比如你每次都填1，其他引數一樣的情況下你得到的隨機陣列是一樣的。但填0或不填，每次都會不一樣。隨機數的產生取決於種子，隨機數和種子之間的關係遵從以下兩個規則：種子不同，產生不同的隨機數；種子相同，即使例項不同也產生相同的隨機數。
（3）訓練svm分類器
| 1 2 3 |
|
kernel='linear'時，為線性核，C越大分類效果越好，但有可能會過擬合（defaul C=1）。
kernel='rbf'時（default），為高斯核，gamma值越小，分類介面越連續；gamma值越大，分類介面越“散”，分類效果越好，但有可能會過擬合。
decision_function_shape='ovr'時，為one v rest，即一個類別與其他類別進行劃分，
decision_function_shape='ovo'時，為one v one，即將類別兩兩之間進行劃分，用二分類的方法模擬多分類的結果。
（4）計算svc分類器的準確率
| 1 2 3 4 5 6 |
|
結果為：
如果想檢視決策函式，可以通過decision_function()實現
| 1 2 |
|
結果為：
decision_function中每一列的值代表距離各類別的距離。
（5）繪製圖像
1.確定座標軸範圍，x，y軸分別表示兩個特徵
| 1 2 3 4 5 |
|
這裡用到了mgrid()函式，該函式的作用這裡簡單介紹一下：
假設假設目標函式F（x，y）=x+y。x軸範圍1~3，y軸範圍4~6，當繪製圖像時主要分四步進行：
【step1：x擴充套件】(朝右擴充套件)：
[1 1 1]
[2 2 2]
[3 3 3]
【step2：y擴充套件】(朝下擴充套件)：
[4 5 6]
[4 5 6]
[4 5 6]
【step3：定位（xi，yi）】：
[(1,4) (1,5) (1,6)]
[(2,4) (2,5) (2,6)]
[(3,4) (3,5) (3,6)]
【step4：將（xi，yi）代入F(x,y)=x+y】
因此這裡x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j]後的結果為：
再通過stack()函式，axis=1，生成測試點
2.指定預設字型
| 1 2 |
|
3.繪製
| 1 2 3 4 5 6 7 8 9 10 11 12 |
|
pcolormesh(x,y,z,cmap)這裡引數代入x1，x2，grid_hat，cmap=cm_light繪製的是背景。
scatter中edgecolors是指描繪點的邊緣色彩，s指描繪點的大小，cmap指點的顏色。
xlim指圖的邊界。
最終結果為：
